深度学习对个性化的影响

基于机器学习的个性化营销随着不同来源可用数据的增加以及组织和消费者生成新数据的速度而日益普及。旧的个性化方法侧重于使用分段等方法开发业务规则，这些方法通常无法针对特定的个体客户。专业硬件（例如 GPU 和云计算）的最新进展以及机器学习和深度学习工具包的不断发展使我们能够构建可扩展的定制客户特定个性化。

推荐系统可以使服务提供商和用户都受益。它们降低了在线购物时搜索和选择产品的成本，并提升了用户体验。推荐软件也被证明可以增强决策过程和产品质量。例如，在电子商务环境中，推荐系统因其有效销售更多商品而增加了销售额。在科学图书馆中，它们通过让用户跳过目录搜索来帮助用户。因此，在系统内采用高效准确的推荐方法来为用户提供可靠准确的推荐的重要性不容小觑。

在 Epsilon，我们利用机器学习来解决跨各种渠道提供粒度产品推荐的问题，以提高客户参与度并改善底线。预测产品推荐的典型方法涉及创建多个高级产品类别的模型。它们效率低下，资源密集，并且不提供具体的推荐。在以下部分中，我们将快速讨论如何构建有效的推荐系统。

协同过滤

协同过滤通过识别具有相似偏好的用户来推荐项目；它利用他们的意见向活跃用户推荐项目。它们从项目和用户之间的交互中学习。从这些数据中，我们可以构建一个 M x N 稀疏矩阵，它将捕获用户可能与项目进行的所有交互。N 代表人数，M 是项目数。数据通常是有限的，这意味着表中只出现少量非零元素。这在所有元素的交互频率图的长尾分布中也很明显。

内容推荐器

这些算法使用用户和项目的元数据，旨在根据用户的偏好找到匹配的项目。项目的元数据是定义项目特征的主要特征。用户的元数据可以解释用户的特定特征，例如人口统计信息。利用项目和用户信息的先前交互，为每个用户和项目构建项目和用户的属性，并应用相似度匹配来确定最佳的 N 个建议。

距离计算可以使用各种不同的距离度量；然而，通常，余弦是最常用的。如果输入数据已经归一化，则可以使用线性核而不是余弦相似度。另一种流行的距离度量是欧几里得距离，但当涉及大量独热编码变量时，它可能不适用于推荐。

朴素贝叶斯

这是一种基于贝叶斯定理的简单机器学习技术，用于条件概率。它不是一个好主意，因为它假设所有预测特征都是相互独立的。特征之间独立性的假设在现实生活中并非在所有情况下都成立。这是一种产生快速预测的方法，并赋予其扩展的能力。它通常在文本分类问题中用作基线技术。

在使用推荐系统时，这可用于根据过去购买的可能性来确定购买商品的可能性。输出分数按降序排序，仅推荐最佳的 N 个产品。它快速、灵活，可用于分类预测变量。

序列建模

它的任务是根据先前的项目预测序列中的下一个或多个项目。该术语通常用于自然语言处理中的 RNN 或 LSTM 上下文。类似于文本序列的概念也可以应用于不同的领域，例如股票预测、购买任何产品的概率等等。